用于压缩近红外光谱分类的深度编码模式设计
机器学习
2022-05-30 v1 图像与视频处理
最优化与控制
摘要
压缩光谱成像（CSI）已成为一种有吸引力的压缩与感知技术，主要用于感知传统系统成本极高的光谱区域，如近红外光谱。最近研究表明，考虑到测量中嵌入的光谱信息量，可直接在压缩域执行光谱分类，从而跳过重建步骤。因此，分类质量直接取决于感知步骤中所采用的一组编码模式。为此，本文提出一种端到端方法，联合设计 CSI 中使用的编码模式与网络参数，以直接从嵌入的近红外压缩测量中执行光谱分类。在三维编码孔径快照光谱成像（3D-CASSI）系统上的大量仿真验证了所提设计相较传统与随机设计在分类准确率上最高提升 10%。
引用
@article{arxiv.2205.14069,
title = {Deep Coding Patterns Design for Compressive Near-Infrared Spectral Classification},
author = {Jorge Bacca and Alejandra Hernandez-Rojas and Henry Arguello},
journal= {arXiv preprint arXiv:2205.14069},
year = {2022}
}
备注
5 pages, 5 figures